3、Python与spaCy：文本分析利器

Python与spaCy：文本分析利器

1. Python在文本分析中的应用

1.1 为何选择Python

在文本分析领域，Python是一个强大且易用的语言。在Python中，文本以字符串形式呈现，字符串是 str 类的对象，是不可变的Unicode代码点或字符序列。不过在Python 2和Python 3中，字符串的处理有所不同。Python 3中，所有字符串默认是Unicode；而Python 2里， str 类限于ASCII码，另有 Unicode 类处理Unicode。

Unicode是一种编码语言，例如字母 Z 的Unicode值是 U+005A 。在Python历史上，开发者需自行处理不同编码，底层操作以字节进行。Python处理Unicode方式的转变引发了诸多讨论。建议在处理文本时使用Python 3和Unicode，因为Python 2将被科学计算社区逐步淘汰，且Python 3支持Unicode。

除了编码优势，Python还有以下优点：
- 社区与开源库 ：有大量的开源库，如Google用的TensorFlow和Apple用的SciKit - learn。在本书中会重点使用的spaCy库就是很好的例子。数据收集也常借助Python的 tweepy （用于Twitter）、 urllib （访问网页）和 beautiful soup （从网页提取HTM